基于因子分析与Logistic 回归的房地产市场预警模型应用研究
崔洪利 孙 月 唐 旭
（中国人民银行廊坊市中心支行 河北 廊坊市 065000）
摘 要： 为促进房地产市场稳定发展，避免出现大幅波动，需建立一个科学的房地产市场预警监测系统，及时对市场状态作出判断，并对未来趋势进行有效预警。本文通过时差相关分析选取指标，划分预警区间，运用因子分析法合成了房地产预警综合指数。通过非参数检验和向前LR 法对自变量进行筛选，分别运用二项和有序多分类Logistic 回归模型建立了房地产市场预警模型，并利用模型和指数平滑法进行了判断和外推预警，为区域房地产预警系统的建立奠定了理论基础。结果显示，两模型判别精度都较高，在实际应用中预警效果良好。
关键词： 房地产市场预警；因子分析；Logistic 回归模型；指数平滑法
一、引言
近年来，房地产市场发展迅速，成为拉动经济增长的重要产业。但房地产在我国发展还不成熟，部分区域出现房地产市场价格增长过快、房屋空置量居高不下和住房供求矛盾突出等问题。并且，我国房地产业资金高度依赖银行，房地产行业风险诱发区域金融风险的可能性比发达国家要高得多，且宏观经济波动、新政策、需求变动等都可能导致市场异常波动。为促进房地产市场持续稳定和健康发展，避免市场剧烈波动，建立一个科学、实用的房地产市场预警系统，以更加准确快速地对市场状态作出判断，对其未来发展趋势进行有效预警，避免由于市场过热或过冷造成的非正常波动对宏观经济平稳发展带来冲击，是我们要关注的重要问题。然而，目前房地产市场预警系统还存在很多问题，定性分析与定量处理结合不足，从而导致了预警系统缺乏客观性和动态调整性，不能及时、准确地对房地产市场进行预警。并且，房地产市场是一个包含多指标的复杂的输入输出过程，单纯根据房价或销量对市场状态进行判断，不能全面、科学地对市场运行态势进行识别。由于区域间房地产市场运行存在差异，所以，本文为了突出区域针对性，以廊坊市为例，建立一个单一区域房地产市场预警系统，通过判别预警来形成准确的市场信息反馈机制，以便及时把握房地产市场的发展态势，尤其是帮助识别过热风险，为适时采取房地产政策调控提供参考，以促进房地产市场的稳定健康发展。
二、房地产市场预警基本理论与综述
在市场内在规律和外部宏观经济环境的共同作用下，经济波动是经济增长过程中的伴生现象。经过对房地产市场的长期研究发现，房地产市场也存在着波峰和波谷相互交替的周期波动现象，这是预警实现的基础和目的所在。国外最早开始进行预警监测是在宏观经济领域，对经济波动进行预报、监督、度量和评价，明确当前经济所处的阶段，并对该阶段经济的特征进行预判。
在预警指标体系研究方面，一般是基于一系列原则设置预警指标，并对各指标赋权，经过验证后形成一套预警指标体系。预警房地产市场风险指标体系的研究成果还很少。我国对房地产预警指标的研究正在从定性分析向定量分析转变。定量研究方法是通过统计分析或实证分析消除指标间的互相干扰，使不同指标与房地产市场的关系描述得更为准确。在预警模型研究方面，目前全球预警金融危机的模型有景气指数法、统计预警法、模型预警法等。目前，我国构建房地产金融市场预警体系仍处于探索阶段。目前，文献多利用综合模拟法构建房地产市场预警系统，例如，赵黎明、贾永飞（1999）利用模糊评价法进行警情预报，开辟了房地产经济分析的系统化和定量化方向，确定了将统计预警方法作为房地产预警系统设计的基础。
猪养殖中，要坚持预防为主、治疗为辅的原则。采取科学的预防措施，疫苗免疫必不可少，还要加强饲养管理，降低疾病的发生率。
总的来看，国内外在房地产市场预警方面的研究主要集中在房地产数据采集、汇总统计方面，对指标体系的设置与验证基本以统计学方法为主，研究成果相对成熟。如何运用合适的方法构建预警模型的研究更多停留在探索阶段。在利用统计学回归理论开展房地产预警研究过程中，多采用线性回归模型对预警指标进行分析。而房地产系统作为经济系统的一部分，本质上是非线性的，用传统的线性理论与方法来研究房地产预警，预警结果缺乏合理性和科学性。综合来看，Logistic回归法更适合本文研究对象。一是没有严格的假设条件，这是多元判别法等不具备的。二是实用性较强，结果易于理解，而其他方法则机理复杂，尤其在模型的应用方面会显示出劣势。如人工神经网络方法有较好的学习、归纳能力，但在实际应用中不利于深入分析危机产生的根源，预警能力受到制约。三是房地产市场是一个复杂多变的社会现象，不是几个指标简单运算就可以判断的，我们希望推测出事件发生的概率来判断最有可能发生的事件。与其他模型要求因变量是连续变量不同，Logistic 模型的因变量是分类变量，求得的结果也是事件发生概率。四是房地产市场由多种要素组成，在选择自变量时希望尽可能全面，对自变量要求不高。Logistic 模型自变量为连续或离散变量皆可。综上，Logistic 模型在定性问题处理、自变量选择、对事物发展过程的拟合和最终结果呈现等方面都较适合本文研究对象，预警判别结果也具有较好的实际应用价值。
三、房地产市场预警指标体系
（一）警情指标
本文采用最大似然估计进行因子分析。为增加成分之间的信息独立性，使其经济意义更明确，利用最大方差旋转法（Varimax）进行因子旋转。
时差相关分析是利用相关系数验证时间序列先行、一致或滞后关系的方法，以一个重要的能够敏感反映当前经济活动的指标作为基准指标，然后使被选择指标超前或滞后若干期，计算相关系数。设y={y1，y2，…，yn}为基准指标，x={x1，x2，…，xn}为被选择指标，r 为时差相关系数，则：
l 表示超前、滞后期，取负数时表示超前，取正数时表示滞后。L 是最大延迟数，nl是数据取齐后的数据个数。在选择景气指标时，一般计算若干个不同延迟数的时差相关系数，其中最大的时差相关系数：
反映了基准指标和被选指标的时差相关关系，相应的延迟数为超前期或滞后期。
（二）警兆指标
1.选取指标。通过参考相关文献，并基于数据可得性，兼顾作为城市房地产预警系统，要预警房地产与地区经济、金融、社会以及房地产内部的协调关系，本文从房地产市场及经济、金融等领域提取了若干反映房地产市场运行的指标（见表1）。
2.时差相关分析。由表2，指标2、4、17 延迟1期，但均是反映房地产市场供求关系的重要指标，故考虑纳入预警模型。为使模型更好地描述房地产市场运行情况，本文将新建商品房成交均价增速纳入模型。样本区间为2015 年2 月至2019 年2 月月度数据。
μi、σii分别为随机变量Xi的期望和方差。将标准化后的随机变量矩阵记为Z=（Z1，Z2，…，Zn）′，E（Z）=0，Var（Z）=∑。假设n 个指标间存在较强的相关性，则基本的因子模型可以表示为：
一般说来，学者在进入村落进行调查的时候，多会寻找合适的合作者。他们不仅能够提供丰富的乡村生活资料，还能为学者搭建更多的田野关系提供便利。正如劳格文所言：
（三）警界区间
国内学者通过大量研究实践，可以把房地产市场运行情况按照类似交通信号灯的形式，分为过冷、偏冷、正常、偏热、过热区。按照数理统计中理论划分警界区间，最常用的数理分布曲线为正态分布：
表1 初选预警指标体系
表2 时差相关系数表
其中，μ 为样本均值，σ 为样本标准差。根据正态分布理论：
由上，［-3σ，3σ］内包含99.73%的特征值，仅0.27%落在异常区域；采用［-2σ，2σ］，仅4.55%落在异常区域。在一个正常的经济系统里，数据发生大量偏离的可能性较低，若区间太宽，几乎没有数据落在异常区间。房地产市场发展比较成熟后，数据波动比较稳定，标准差也会逐步收敛。对质量要求严格的控制，选择偏离1倍标准差以上作为异常。本文基于月度数据，连贯性较强，数据离差可能并不大，若区间划分过大，数据可能几乎不会落在异常区间，选取［-σ，σ］作为异常情况判断标准。
四、房地产市场预警模型
（一）二项Logistic 回归模型
假设理论上存在连续反应变量
，表示事件发生的可能，值域为（-∞，+∞），若存在一个临界点c（比如c=0），当
跨越这个临界点时，会导致事件发生。
事件发生时Y=1，概率为pi，事件不发生时Y=0，概率为1-pi。Logistic 函数形式为：
二项Logistic 回归模型的因变量为二分类变量，是对pi=P（yi=1|xi）进行建模，研究事件发生概率和自变量之间的相互依存关系。Logistic 基本回归模型：
综上，二项和有序多分类Logistic 回归模型预警结果相左，这是由于误判概率的存在，但考虑二项Logistic 回归模型中，“提示风险”的概率为54.94%，并不算很高，因此，认为2019 年3 月的廊坊市楼市依然较为稳定，“偏冷”的可能性较大。
得到二项多元Logistic 回归模型：
本文定义Y=1 为市场偏热或过热，提示一定风险，Y=0 为一般。廊坊市房地产市场曾一度高热。为抑制市场过热，政府采取了一系列限购措施。因此，相比走冷来说，市场走热是我们更关注的问题，故做此二分类划分。
（二）有序多分类Logistic 回归模型
本文按房地产市场热度程度分为有序的五类警级，由过冷到过热，分别赋值1、2、3、4、5，概率分别为π1、π2、π3、π4、π5，由此建立有序多分类Logistic 回归模型。
这种模型实际上是依次将因变量按不同取值水平分割成两个等级，对这两个等级建立二分类Logistic 回归模型。不管因变量的分割点在什么位置，模型中各自变量系数βi不变，改变的只是常数项α，各个方程在多维空间中相互平行：
原假设为各自变量对因变量的影响在各个回归方程中相等，其实质是拟合不限定系数相等的模型，将该模型的似然值和限定系数相等的模型进行似然比检验，若P＞0.05，则各回归方程平行，否则考虑无序多分类Logistic 回归或其他处理。
（三）因子分析模型
运用统计学方法分析多变量问题时，变量不宜太多，否则会增加分析难度与计算量。Logistic回归模型要求各案例相互独立，但警兆指标存在较强的相关性。因子分析法可以得到主要影响因子，将因子得分作为Logistic 模型的自变量，既解决了多重共线性问题，又不过多损失信息，增强预测过程的稳健性。
为消除观察值之间由于量纲差异而造成的影响，根据指标均值和标准差进行无量纲化标准化处理：
“双课堂”是指在线网络课堂和面授课堂。在线课堂以知识树形式展开，具备清晰的学习脉络，全面的知识节点和时间节点。学生可以很方便地自主学习，不受时间、空间的影响，还可以安排经典的题目进行小组讨论，如：子类父类的选取，动态数组的使用等等。面授课堂中教师对整班同学进行集中辅导，梳理教材知识点，并对于重点和难点进行现场演示讲解，制定下一次课的预习计划，并对上一次课的复习情况进行集中点评，帮助学生突破线上课程学习中遇到的难点。
满足以下假定的模型称为正交因子模型：
（1）F=（F1，F2，…，Fm）′（m≤n）是不可测的m维随机向量，称为公共因子，其均值向量E（F）=0，协方差阵Var（Z）=Im，即每个公共因子相互独立。
金融危机给全球经济体系带来巨大影响和沉重大打击，直接导致了全球金融市场流动性的枯竭，市场规模大幅度缩水。美国的次贷危机引发的全球性金融危机更是导致了金融市场的持续动荡，国际市场价格波动幅度较大，受其影响市场的流动性大规模较低。商品价格降幅严重。导致国际资本的大规模流出。
（2）ε=（ε1，ε2，…，εn）′表示特殊因子，其中包含了随机误差，满足Cov（ε，F）=0，即F 与ε 相互独立，E（ε）=0，Var（ε）=diag（φ1，φ2，…，φn），即各分量ε 之间相互独立。且Cov（ε，F）=0，即F 与ε 相互独立。
式（5）中，lij称为第i 个变量Zi在第j 个因子Fj上的载荷，由其构成的矩阵L 称为因子载荷矩阵。式（5）可进一步表示为：
房地产价格是市场的指示器，也是很多因素综合作用的结果，既反映供给量，又反映需求量，本文将警情指标定为新建商品房成交均价增速。选择警情指标的目的之一就是帮助寻找警兆指标。通过对警情与警素指标进行时差相关分析，从警素指标中选择先行指标作为警兆指标。
在获得公共因子和因子载荷矩阵后，需要把公共因子表示成原始变量的线性组合，作为进一步分析的原始数据。本文利用回归法求得因子得分，仍考虑式（5），假设原始变量已标准化，在因子模型中可反过来将公共因子表示为变量的线性组合，建立公因子F 对变量Z 的回归方程：
由因子载荷意义有：
则有B=L′P-1，其中，R 为样本相关矩阵，得到公共因子的估计为：
由样本计算相关矩阵，并估计因子载荷矩阵即可求得因子得分的估计值。
五、房地产市场预警实证研究—以廊坊市为例
（一）因子分析
首先根据主成分分析选取因子数目。
本文指标变量多、样本量不大，不适合提取过多因子，由表3，因子数定为5 个，累计贡献率为73.22%。
虽然有新面孔上榜，但是以往占据榜单的大户房地产行业依然有百人上榜，占比最高。榜单显示，房地产富豪占据了总富豪榜的1/4，上榜人数达百人，成为产生富豪最多的行业之一。排名前10位中有3位是从事房地产相关行业，分别为去年的首富、排名下降到第三的中国恒大董事局主席许家印，随后是万达集团董事长王健林和排名第六的碧桂园董事局副主席杨惠妍。
表3 前五个主成分解释方差表
图1 主成分累计贡献率碎石图
表4 主成分分析的因子分析结果
为进一步明确公共因子的实际意义，利用Varimax 法进行因子旋转，根据旋转后的因子载荷矩阵，并由回归法求得因子得分系数。
（二）合成预警综合指数
由因子得分计算式，可得出各公因子按时间排列的对应得分序列，根据各公因子贡献率可计算出最终合成预警综合指数K：
通过建立某零售企业配送中心配送流程、信息管理、车辆调度的优化，使得某零售企业总部与配送中心、配送中心与门店的信息进行了及时、高效地传递与互通，并且使得人工工作效率得以很大的提升，配送车辆得以很高效的运用。配送中心以信息为介质将销售、采购和库存合理的整合，提升了配送中心的运作效率，从而帮助某零售企业增强企业核心竞争力，使某企业创造更大的价值。
由图3，警情指标与K 走势基本一致，但K 里包含了诸多其他指标，走势更为缓和，将经过模型计算得到的综合指数K 作为房地产市场预警指标更为科学、全面。
秉持“房子是用来住的，不是用来炒的”理念，本文结合国内外城市关于住房发展与民生改善的一般经验，使用人均住房面积、房价收入比、住房消费占总消费比三个指标分别从住房使用价值、住房支出负担、整个消费结构三个方面反映住房民生的状况。因此，笔者对改革开放以来上海市民生改善状况和新时代上海市住房民生改善趋势的考察和预测也是从这三个方面进行。
图2 合成预警综合指数与警情指标走势对比图
根据警界区间划分，廊坊市房地产市场预警的五大警界区间如表5 所示，预警综合指数走势如图3 所示。
表5 警界区间与警级划分
图3 预警综合指数K 走势图
2015 年，楼市基本平稳，仅年初经历了高热。2016 年初，楼市持续走热，实施第一次限购政策。而后楼市有所退热，但热度下行的趋势不够显著，于2017 年6 月实施更为严格的限购政策，楼市热度显著下行。走势基本与实际情况吻合，如图4，适合将其作为接下来的研究对象。二项Logistic 回归作为多分类Logistic 回归的基础，本文先拟合二项Logistic 回归。
（三）变量定义与检验
1.由二项Logistic 回归模型算得：P（yi=1|xi）=0.5494，市场状态为“提示风险”的概率为54.94%，预警结果可信度达到83.67%。
图4 走势图
有序多分类Logistic 回归模型的因变量为多分类变量：
青辰操控着黑色的滑翔翼，一翼当先。改良后的翼面对升力的提高是巨大的，对空阻的降低也起到了一定的效果，这令他再次从众多经验丰富的参赛选手当中脱颖而出。
2.自变量定义与检验。自变量首先定为F1、F2、F3、F4、F5，由上文，限购与否可能也是影响房地产市场状态的变量，引入虚拟变量X：
建立模型时，应尽量引入对因变量有影响的变量，将没有影响或影响较小的变量排除在模型外，保证结果更加可靠。且考虑Logistic 模型对样本量与自变量个数的要求，如果样本不多而变量较多时，为提高模型预测准确度和稳定性，不适合纳入过多自变量，故进行单变量分析，就自变量筛选展开检验。
（1）多重共线性检验。F1、F2、F3、F4、F5间不存在共线性，但模型引入了虚拟变量，仍需进行多重共线性检验。由表6，容差均大于0.1，方差膨胀因子均小于10，变量间不存在多重共线性。
（2）单样本K-S 正态性检验。由表7，F1、F2、F3、F4、F5符合正态分布，指标总体不符合正态分布假设。根据显著性检验理论，对服从正态分布的指标变量进行独立两样本T 检验，对不服从正态分布的指标变量进行非参数检验，筛选出具有显著性差异的指标作为模型变量。
表6 自变量共线性检验
表7 单样本Kolmogorov-Smirnov 检验
（3）指标显著性检验。该检验是找出具有显著性差异的指标，不引入不具有显著性差异的指标，以提高预测精度。本文指标总体不服从正态分布，故采用K 个独立样本的非参数Kruskal-Wallis 检验，分析变量在识别市场不同运行状态方面的区别能力。由表8，因变量为K1时，不同取值在F1、F2、X 间存在显著差异；因变量为K2时，不同取值在F1、F2、F3、X 间存在显著差异。
表8 Kruskal-Wallis 检验渐进显著性
（四）二项Logistic 回归模型
1.模型检验。经实证分析，F2进入模型后，模型拟合效果不好，故自变量选为F1、X。由表9，加入常量以外的自变量后，模型拟合显著，比较结论为两者有统计学差异。此外，适用于连续自变量的Hosmer 和Lemeshow 检验的χ2 统计量的P 值大于0.05，模型拟合效果良好。
表9 模型系数的综合检验
2.模型拟合。由表11，F1越大，P（yi=1|xi）越大，提示风险的概率越高，与实际情况相符。由表10，X 参考类别为“未限购”时，X=2（限购）OR 值（优势比）为4.857，限购时“提示风险”是未限购时的4.857 倍，表明2016 年4 月实施的限购政策效果有限，并未真正起到控制楼市继续走热的作用；而X=3（限购升级）的OR 值为0.130，表示“未限购”时“提示风险”的概率是“限购升级”时“提示风险”的1/0.130 倍，即7.69 倍，表明“限购升级”有效地控制了楼市持续走热风险。
表10 哑变量分类编码
表11 二项Logictic 回归模型拟合结果
由式（2）：
3.模型预测。由表12，预测准确率为83.7%。由图5，ROC 曲线下面面积为0.807，渐进显著性P＜0.05，预测判别效果很好，该模型能够有效区分市场两种不同状态。
（五）有序多分类Logistic 回归模型
图5 ROC 曲线
表12 分类预测表
二分类Logistic 回归模型将市场状态分为两种，但市场状态的改变需要经历一个逐步缓慢的过程，故继续细分为五类进行研究。由二分类Logistic 回归模型结论可知，2016 年的限购政策虽一定程度上缓解房价过快上涨，但并未真正起到控制楼市继续走热的作用，因此，在有序多分类Logistic 回归模型中，将限购情况划分为两类，即虚拟变量X 变为：
根据相关计划，包括建设一座17.1米高、1.7千米长的防浪堤在内的安全强化措施将在2021年3月完成，总投资约1800亿日元(16亿美元)。
1.模型检验。由表13，通过平行性检验，适合拟合有序多分类Logistic 回归模型。
表13 平行性检验
2.模型拟合。由表14，除X 不显著外，其他变量均显著，但若舍弃X，模型预测精度会降低，故模型中纳入X。
（1）F1、F2、F3越大，市场状态向更高等级变化的可能性越高，即市场越走热，F1对市场向更高等级变化的影响程度比F2、F3要大。
（2）当X（X=2，限购升级）作为参考类别时，X=1 即“限购未升级”更易使市场状态等级升高，OR 值为2.29。即与“限购升级”相比，K2至少升高一个等级的可能性是市场为“限购未升级”时的2.29 倍。
表14 有序多分类Logistic 回归模型拟合结果
3.模型预测。由表15，模型不存在预测等级过度偏离实际值的情况。模型预测准确率为80.0%，将该模型运用到房地产市场预警中，具有较好的现实应用价值。
表15 分类预测表
（六）基于两类模型的判断预警
由表16，两模型都取得了良好的预测预警效果。实际中，可综合运用两模型预警，首先利用二分类Logistic 回归模型对市场进行初步判断，当需要进一步了解市场运行细分状态时，可参考五分类Logistic 回归模型的预警结果。
将2019 年3 月数据带入模型：
1.因变量定义。如前文所述，二项Logistic 回归模型的因变量为二分类变量：
“这个是‘宝川’的小平钱，这个是‘宝苏’的小平钱……这个是‘宝济’，一元。‘宝广’，两元……一元……两元……”孟导开始自虐地对照起价格，越是对照越是失望。
2.由有序多分类Logistic 回归模型算得独立概 率：π1=0.0673，π2=0.8015，π3=0.1312，π4=0.0000，π5=0.0000，市场状态“偏冷”的概率达到80.15%，预警结果可信度达到83.67%。
表16 模型准确度对化
（2）式为εi=α+∑βixi时的累积分布函数，εi为影响事件发生概率的因素的线性函数，pi∈［0，1］，xi是事件发生的影响因素，α、β 为回归截距、回归系数。根据拟线性思想，将Logistic 模型转化为线性模型：
其中l是类的个数, fk(r)是被规则r覆盖的类k的样例的观测个数,ek(r)是规则作随机猜测的期望频数。需要指出的是,如果规则r覆盖的类k的样例的观测个数fk(r)=0,则定义
（七）基于指数平滑法的外推预警
为了达到预警的目的，不仅需要对市场状态进行判断预警，还需要对未来趋势进行外推预警。对于不具有明显季节波动和趋势变动的指标，一般采用指数平滑预测方法进行拟合。本文运用指数平滑法对F1、F2、F3外推预测一期，带入Logistic回归模型进行预警。根据误差平方和最小原则，经过反复测算，选用Holt-Winters 加法模型。
目前，我国高校的科研成果转化链并不完善，多以基础研究为主，以形成理论为目标，科研成果的转化主要依靠科研人员个人进行，缺少专门从事科研成果转化的专业人员和机构。随着科研成果数量的日益增加，亟须建立专业的团队，配备专业的管理人员来进行后续的转化运作，对科研成果进行系统化的转化管理。高校科研人员专注于成果的研发、成果转化机构专注于后续的转化。这样各有专长、各司其职，才能有效提高科研成果的转化率。
表18 因子外推预测
将预测值带入Logistic 回归模型，可得：
1.由二项Logistic 回归模型算得：P（yi=1|xi）=0.0265，认为7 月廊坊市房地产市场运行将是“一般”状态。
2.由有序多分类Logistic 回归模型算得独立概率：π1=0.3213，π2=0.6562，π3=0.0225，π4=0.0000，π5=0.0000，市场状态是“偏冷”的概率最大，为65.62%。与二项Logistic 回归模型结论一致，与实际情况也是相符的。
六、总结
本文收集了来自房管局、统计局、信贷、税务等房地产市场相关指标，以2015 年2 月至2019年2 月为样本区间，运用时差相关系数选取预警指标，选取［-σ，σ］作为异常情况判断标准，通过因子分析合成了房地产预警综合指数。考虑样本和自变量个数的严格关系，利用非参数检验和向前LR 法对自变量进行筛选，保证进入模型的自变量能够对因变量进行准确识别。基于以上，运用二项和有序多分类Logistic 模型构建了房地产市场预警模型，并利用模型进行了判别和外推预警。
第一，因子分析法提取了5 个公因子，是所有统计指标信息的高度概括，基于5 个因子合成的综合预警指数全面、合理、科学。
2.2 诊断 3例多胎妊娠之一葡萄胎平均诊断孕周为14周(13～17周)，所有病例外院首次超声检查时均未发现葡萄胎征象。孕期均因反复阴道流血转入本院。血清β-HCG值均异常增高。第2例患者孕期阴道排出少量葡萄样组织物。
第二，合成预警综合指数将廊坊市房地产市场大致分为三个阶段：趋热阶段（2015 年2 月-2016 年3 月）、波动阶段（2016 年4 月-2017 年3月）、趋冷阶段（2017 年3 月-2019 年2 月），这与实际是相符的。
第三，通过非参数检验可知，贡献率排前三位的因子F1、F2、F3对市场状态的影响最显著，其中F1对模型的判别影响最大，其对于房地产市场预警模型的判别结果影响是决定性的。市场发展变化在因子F1方面的分化，将导致预警结果的差异性。
第四，为提高模型判别精度，将虚拟名义变量“限购情况”加入模型。尽管二项Logistic 回归模型中加入X 后统计上不显著，但判别率有所提高，且有序多分类Logistic 回归模型中X 统计上显著，表明其具有较高的信息量。可根据实际情况进行不同赋值，若限购政策放松，可将其赋值降低一级，反之。根据2016 年重点研究课题《宏观经济环境下银行信贷与房价的SVAR 模型动态互动关系研究》结论，廊坊市房价受除信贷因素外的其他因素影响较大，例如市场政策，因此，本文将限购情况作为虚拟变量加入模型，这也是本文的创新之处。
第五，二项和有序五分类Logistic 回归模型均具有良好的预警效果和实际应用价值。由有序多分类Logistic 回归模型可知，F1、F2、F3对市场状态的改变具有显著正向作用，即F1、F2、F3越大，状态向更高等级变化的概率越大，且影响作用F1＞F2＞F3，Logistic 回归模型为市场状态的改变辨识了主要影响因素，应更多关注在这三个因子上有较高载荷的指标。
第六，2017 年6 月开始，市场再未出现过“偏热”或“过热”状态，直到2019 年1 月出现“偏热”状态，成交规模、房价双升，市场迎来“小阳春”。受通州副中心与廊坊北三县协同规划和大兴国际机场建设影响，廊坊辖内三河、大厂、固安三县涨势明显。一是楼市调控政策已经企稳，因城施策的调控思路和效果得到认可，未来地方政策将更具灵活性和自主调控空间。二是随着北京大兴国际机场即将投入使用，廊坊市区及永清、固安等县依托机场，成为京津冀海陆空的枢纽中心，首都经济圈辐射力增强，区域价值见涨。三是受通州副中心与廊坊大厂县、香河县及三河市协同规划发展影响，廊坊上述三县成为北京城市功能的重要疏散地，吸引了大量在京务工人员购房。
第七，通过对2019 年3 月廊坊市房地产市场状态进行判别预警，认为廊坊市楼市依然较为稳定，“偏冷”的可能性较大，这与现实也是基本相符的。限购政策抑制了购房需求，导致市场走冷。运用指数平滑法下的Holt-Winters 加法模型对未来期进行外推预警，认为2019 年4 月的市场状态为“偏冷”，持续在“一般”范围内运行，市场风险可控。2019 年，房地产主体性调控政策仍将以稳为主，住房回归居住属性的进程不会停止，稳定房价稳定预期也将是坚持的政策导向。同时，要确保房屋的长期居住属性，2019 年中央在住房、金融、土地、财税、立法等方面仍将持续推进，加快长效机制建设。但随着雄安新区、北京城市副中心、北京大兴国际机场及临空经济区等规划建设的深入推进、陆续落成，环京13 县（市）房地产市场将继续强化“因城施策”，预计2019 年房地产市场整体平稳。
第八，2018 年以来，廊坊市房地产市场交易冷清，房地产投资、商品房施工面积、新开工面积、销量、均价等均同比下降，导致税收减收、拉低GDP 增速、贷款增速回落、不良率抬头，房地产市场波动对经济金融影响很大，为更好地把握房地产市场变动趋势，此时更应采取科学性强的方法对市场进行监测预警，为政府及各部门提供实际理论参考。
基于以上，提出以下建议：一是加强主要影响因素的监测分析。供给方面主要是房地产开发投资、住宅开发投资、房地产开发贷款、新建商品房成交均价与二手房成交均价等；需求方面主要是新建商品房销售额、个人住房贷款发放额等。二是建立区域房地产市场信息传递和共享平台。及时、准确、全面的市场信息决定了预警系统的先进性，应加强房地产金融风险信息共享，为防范区域性金融风险提供信息支撑。三是建立房地产市场预警监测长效机制。定期或不定期开展房地产金融市场风险预警，及时将预警情况向地方政府通报，并以窗口指导形式向金融机构进行房地产金融风险提示，将房地产金融风险降到最低。
参考文献：
[1]张文彤.SPSS 统计分折高级教程[M].高等教育出版社，2004.
[2]王剑南.房地产预警体系的构建及其在北京市的应用研究[D].北京交通大学，2010.
[3]邵天娇.我国房地产上市公司财务危机预警研究[D].苏州大学，2014.
[4]陈超.昆明市房地产泡沫测度及预警机制研究[D].云南财经大学，2015.
[5]黄丽丽.基于Logistic 模型的商业银行房地产信贷风险研究[D].南京理工大学，2014.
[6]黄兴柱.基于多元logistic 回归模型的房地产预警研究[D].济南大学，2012.
中图分类号： F832.7
文献标识码： A
文章编号： 1007-4392（2019）08-0055-10
（责编：李文君 校对：陆萍）
标签：房地产市场预警论文; 因子分析论文; LOGISTIC回归模型论文; 指数平滑法论文; 中国人民银行廊坊市中心支行论文;